運(yùn)動(dòng)瓷磚的視覺(jué)檢測(cè)算法研究

鄧志豪

（廣東工業(yè)大學(xué)機(jī)電工程系，廣州510006）

0 引言

我國(guó)是瓷磚生產(chǎn)大國(guó)，近年來(lái)瓷磚生產(chǎn)自動(dòng)化已成為發(fā)展方向[1]。計(jì)算機(jī)視覺(jué)技術(shù)的引進(jìn)，使得面向瓷磚的智能監(jiān)控能大大加強(qiáng)對(duì)瓷磚的非接觸式檢測(cè)，檢測(cè)的范圍包括缺陷檢測(cè)、產(chǎn)量計(jì)數(shù)等。而這些高層分析的基礎(chǔ)，是在背景中將運(yùn)動(dòng)目標(biāo)檢測(cè)出來(lái)，這種技術(shù)稱為運(yùn)動(dòng)目標(biāo)檢測(cè)。其核心是有效將前景像素與背景像素進(jìn)行分類，提取出待處理目標(biāo)。目前在計(jì)算機(jī)視覺(jué)中，對(duì)于運(yùn)動(dòng)目標(biāo)的檢測(cè)有三種常用的方法：幀差法、光流法與背景差法[2]。

幀差法是利用幀間灰度值差異來(lái)檢測(cè)運(yùn)動(dòng)目標(biāo)的，利用物體運(yùn)動(dòng)產(chǎn)生的幀間灰度差異，通過(guò)鄰幀之間的差分運(yùn)算，使用高通濾波的方式將運(yùn)動(dòng)目標(biāo)區(qū)域檢測(cè)出來(lái)。幀差法算法思路簡(jiǎn)單運(yùn)行快，在目標(biāo)檢測(cè)方面得到很多應(yīng)用，但當(dāng)物體運(yùn)動(dòng)速度過(guò)快時(shí)會(huì)產(chǎn)生“空洞”效應(yīng)。光流法是利用目標(biāo)物體運(yùn)動(dòng)產(chǎn)生的光流場(chǎng)來(lái)檢測(cè)的，算法優(yōu)點(diǎn)明顯，無(wú)需背景建模的特點(diǎn)決定了能在背景不斷更新的環(huán)境下檢測(cè)出運(yùn)動(dòng)目標(biāo)，但算法復(fù)雜不利于應(yīng)用在智能監(jiān)控中對(duì)圖像數(shù)據(jù)進(jìn)行實(shí)時(shí)處理，另外也要求光照不能發(fā)生很明顯的變化。背景差法可理解成特殊的幀差法，與光流法不同的是算法需要建立背景模型，與幀差法不同的是差分對(duì)象是當(dāng)前幀與學(xué)習(xí)到的背景模型。背景差法計(jì)算量小，但對(duì)環(huán)境變化很敏感。

事實(shí)上，運(yùn)動(dòng)目標(biāo)的顏色通常不會(huì)發(fā)生改變，也可用目標(biāo)與前景之間的顏色特征差異進(jìn)行區(qū)分，從而檢測(cè)出目標(biāo)。在應(yīng)用顏色區(qū)分目標(biāo)與背景時(shí)，使用HSV顏色空間優(yōu)勢(shì)明顯。本文針對(duì)瓷磚出窯口采集的監(jiān)控視頻，對(duì)視頻中被運(yùn)送的成品瓷磚進(jìn)行檢測(cè)研究，在HSV 顏色空間下提取目標(biāo)區(qū)域，并提出一種基于Kmeans 聚類思想的分量閾值求取算法來(lái)檢測(cè)目標(biāo)，經(jīng)檢驗(yàn)，能在目標(biāo)與背景顏色相似的情況下準(zhǔn)確檢測(cè)出運(yùn)動(dòng)瓷磚目標(biāo)。

1 HSV顏色空間研究

HSV（Hue、Saturation、Value）顏色空間是1978 年由A.R.Smith 根據(jù)人眼視覺(jué)感知顏色的特性提出的，該空間對(duì)應(yīng)HSV 顏色模型，模型將彩色信號(hào)分離成三種不同屬性的分通道信號(hào)。其中H 表示色調(diào)，作用是描述顏色的基本顏色屬性，例如純紅色。某種顏色經(jīng)過(guò)白光的稀釋，純度會(huì)降低，使用S（飽和度）來(lái)描述顏色的純度，色調(diào)和飽和度組合起來(lái)可以反映色彩的本質(zhì)。V（亮度）反映的是圖片的亮度信息。通常使用一個(gè)六角錐來(lái)描述HSV 顏色模型，六角錐模型能清晰的描述HSV 三通道描述色彩時(shí)的組合方式。如圖1 所示，色調(diào)H 的描述方式為繞S 軸逆時(shí)針?lè)较虻男D(zhuǎn)角，例如角度為120°時(shí)為綠色。飽和度S 定義是某顏色與最純顏色的比值，故取值范圍從0 到1，用在S 軸上距離原點(diǎn)的距離來(lái)表示。在豎直亮度V 軸上，離原點(diǎn)越近，圖像上反應(yīng)為亮度越低，越接近黑色。

圖1 HSV顏色模型

實(shí)際上，RGB 顏色空間作為面向硬件的顏色空間，通常應(yīng)用于顯示設(shè)備當(dāng)中。在運(yùn)用HSV 顏色空間檢測(cè)運(yùn)動(dòng)目標(biāo)時(shí)，要將RGB 顏色空間轉(zhuǎn)換到HSV 顏色空間，針對(duì)HSV 三通道即H、S、V 通道對(duì)圖像進(jìn)行分析。其中轉(zhuǎn)換轉(zhuǎn)換公式如下：

2 基于HSV顏色空間的目標(biāo)檢測(cè)算法思想

在HSV 顏色空間下，將人眼感知的具體顏色分解為不相關(guān)的三分量：色調(diào)、飽和度、亮度。在運(yùn)用該空間分離圖像序列中目標(biāo)與背景時(shí)，需要找出他們的不同點(diǎn)。色調(diào)是顏色的基本屬性，在應(yīng)用HSV 顏色空間分離目標(biāo)時(shí)，建立目標(biāo)特征模型常常就是基于色調(diào)分量，CamShift 算法在檢測(cè)目標(biāo)時(shí)采用的也是這種思想[3]。不選用亮度的原因有二：一是亮度與顏色本質(zhì)無(wú)關(guān)，二是容易受到光照強(qiáng)度的影響。但單純的選用色調(diào)作為目標(biāo)特征參數(shù)，沒(méi)有充分的利用HSV 各分量，忽略了飽和度對(duì)顏色的影響，為了充分描述目標(biāo)像素與背景像素的差異，選用色調(diào)為主要特征，飽和度為輔助特征來(lái)構(gòu)建目標(biāo)顏色特征模型，將目標(biāo)與背景分離開達(dá)到檢測(cè)目標(biāo)的目的。

在構(gòu)建目標(biāo)顏色特征模型時(shí)，需要選取目標(biāo)顏色的分量特征，即準(zhǔn)確選擇H 分量與S 分量的閾值。實(shí)際確定分量閾值時(shí)，常常依靠人眼觀察目標(biāo)分離程度來(lái)判斷閾值選取是否正確，此方法簡(jiǎn)單方便，缺點(diǎn)是容易受主觀因素影響，缺少可靠的閾值量化手段。為此，在研究K-means 聚類算法的基礎(chǔ)上，運(yùn)用其不斷迭代以劃分出不同簇的思想，將代表目標(biāo)與背景的像素點(diǎn)不斷的進(jìn)行劃分，最后使用劃分的結(jié)果進(jìn)行閾值提取，基于此閾值在HSV 空間下對(duì)目標(biāo)區(qū)域進(jìn)行提取，經(jīng)檢驗(yàn)此方法具有良好的效果。

3 基于HSV顏色空間的目標(biāo)檢測(cè)算法

3.1 基于K-means算法的分量閾值求取

K-means 算法是一種聚類算法，雜亂數(shù)據(jù)形成不同的簇，算法目的是輸出劃分得到不同的簇與對(duì)應(yīng)的聚類中心[4]。算法核心步驟為：預(yù)先設(shè)定初始聚類數(shù)目K，即形成“簇”的個(gè)數(shù)，然后隨機(jī)選取K 個(gè)數(shù)據(jù)作為聚類中心，在判定某數(shù)據(jù)是否正確劃分到當(dāng)前聚類中心對(duì)應(yīng)簇時(shí)，采用歐氏距離作為相似度測(cè)量標(biāo)準(zhǔn)。此時(shí)將某簇內(nèi)所有數(shù)據(jù)對(duì)象的均值作為新的聚類中心，假設(shè)此時(shí)聚類中心Ci對(duì)應(yīng)簇中有ξ個(gè)數(shù)據(jù)，則當(dāng)前數(shù)據(jù)集合的誤差平方和S 用公式（4）來(lái)表示：

其中數(shù)據(jù)對(duì)象與聚類中心的歐氏距離用函數(shù)dis（）計(jì)算。當(dāng)S 小于閾值T 或者不再變化時(shí)，迭代結(jié)束，輸出結(jié)果。K-means 聚類算法為將雜亂數(shù)據(jù)分成不同的簇，不斷迭代，以K=2 為例，圖2 展示了迭代過(guò)程。

圖2 K-means算法迭代過(guò)程

K-means 聚類算法通過(guò)事先設(shè)置聚類數(shù)目的值，將數(shù)據(jù)集合的數(shù)據(jù)分為不同的簇并找出最能代表簇中心的值，使用迭代的方式將不同的簇分割開。結(jié)合其主要思想，在迭代的過(guò)程中將屬于目標(biāo)與背景的分通道數(shù)據(jù)集劃分開，將每次分割后分通道均值的均值作為目標(biāo)函數(shù)，以H 通道分割閾值求取為例（S 通道同）算法步驟如下：

（1）圖像顏色空間由RGB 轉(zhuǎn)換至HSV，分離通道后求出H 分量圖像的色調(diào)極值，分別為：Hmax、Hmin，令初始閾值

（2）使用初始閾值在H 分量圖中分割目標(biāo)與背景部分，得出兩部分平均值Hα與Hβ，此時(shí)更新分割閾值為

（3）轉(zhuǎn)至步驟（2），并更新色調(diào)閾值為THX，直至新閾值不再變化，此時(shí)根據(jù)分割結(jié)果，統(tǒng)計(jì)H 通道圖的目標(biāo)區(qū)域部分的H 值范圍則為該通道下的最佳分割閾值。

（4）輸出閾值結(jié)果。

3.2 目標(biāo)區(qū)域的提取

在計(jì)算機(jī)視覺(jué)領(lǐng)域中，針對(duì)視頻中運(yùn)動(dòng)物體的研究，對(duì)象往往是包含有目標(biāo)信息的二值圖像[5]。在二值圖像中灰度值只有0 和255，以此達(dá)到區(qū)分前景和背景的目的。對(duì)圖像進(jìn)行二值化處理時(shí)，關(guān)鍵是要選取合適的灰度分割閾值T，將圖像序列中關(guān)于前景和背景的像素劃根據(jù)灰度值分為兩部分，假設(shè)在視頻中，有某幀包含運(yùn)動(dòng)目標(biāo)的圖像各像素灰度值為fα(x,y)，定義1 代表前景，0 代表背景，通過(guò)逐像素計(jì)算，判定像素點(diǎn)是否屬于前景區(qū)域的方式，得到準(zhǔn)確包含目標(biāo)信息的二值圖以便接下來(lái)的視覺(jué)高層分析。分割公式如下：

本文算法中，對(duì)于包含有目標(biāo)區(qū)域信息的二值圖提取上與基于灰度圖的閾值分割方法不同?；谏闲」?jié)的分量閾值求取，在HSV 顏色空間里求取出了可靠的目標(biāo)區(qū)域分通道分割范圍。針對(duì)獲取視頻幀圖像上的像素點(diǎn)，如果像素點(diǎn)色調(diào)飽和度值在對(duì)應(yīng)通道的分割閾值范圍內(nèi)，那么直接設(shè)定該像素點(diǎn)灰度值為255，否則則判定為背景，灰度值為0，繞過(guò)獲取灰度圖的步驟，直接達(dá)到快速獲取檢測(cè)結(jié)果的目的。

3.3 形態(tài)學(xué)處理

提取到二值圖像后，由于復(fù)雜背景因素的影響，一定會(huì)產(chǎn)生對(duì)檢測(cè)系統(tǒng)不利的噪聲點(diǎn)[6]。使用圖像形態(tài)學(xué)處理可以將這些孤立的噪聲點(diǎn)去除，使得目標(biāo)檢測(cè)取得良好的效果。數(shù)學(xué)形態(tài)學(xué)（Mathematical Morpholo?gy）在圖像分析領(lǐng)域具有重要地位，是用于分析圖像幾何信息的數(shù)學(xué)方法。基于數(shù)學(xué)形態(tài)學(xué)，最底層的兩種處理方式分別是膨脹、腐蝕操作。其中，膨脹操作的目的是擴(kuò)大二值圖像的高亮區(qū)域，其過(guò)程是求局部最大值的過(guò)程，而腐蝕操作是與膨脹相反的。從數(shù)學(xué)計(jì)算角度看形態(tài)學(xué)處理，是將圖像的整體或局部與設(shè)定核的卷積計(jì)算過(guò)程[7]。

對(duì)于本文提取到的運(yùn)動(dòng)目標(biāo)，由于前景與背景的顏色相似，使得許多背景區(qū)域判定為前景。為消除細(xì)小噪聲，使用一次腐蝕操作，將二值圖中較小的高亮區(qū)域消除，去除噪聲。經(jīng)過(guò)腐蝕處理后，目標(biāo)區(qū)域面積小于實(shí)際面積。為消除此次操作帶來(lái)的面積變化，再進(jìn)行一次膨脹操作使得目標(biāo)區(qū)域回到原來(lái)的大小。經(jīng)過(guò)這樣一次開運(yùn)算操作，能有效去除噪聲，提升目標(biāo)檢測(cè)效果。

4 實(shí)驗(yàn)結(jié)果分析

本實(shí)驗(yàn)仿真平臺(tái)為Microsoft Visual Studio 2013，視覺(jué)算子庫(kù)為3.4.1 版本的OpenCV，結(jié)合C++進(jìn)行仿真實(shí)驗(yàn)，針對(duì)工業(yè)現(xiàn)場(chǎng)中由相機(jī)采集到的成品磚出窯視頻進(jìn)行目標(biāo)檢測(cè)操作。

圖3（a）為監(jiān)控視頻中原始幀，瓷磚由下至上運(yùn)動(dòng)，可以看到目標(biāo)與背景像素顏色相似，使用本文運(yùn)動(dòng)目標(biāo)檢測(cè)算法得出包含有噪聲的二值化檢測(cè)結(jié)果如圖（b）所示，為消除噪聲，相繼對(duì)檢測(cè)結(jié)果進(jìn)行腐蝕以及膨脹的形態(tài)學(xué)操作方法，能有效排除無(wú)關(guān)噪聲，增強(qiáng)運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果的可靠性。

圖3 實(shí)驗(yàn)仿真結(jié)果

5 結(jié)語(yǔ)

本文首先基于對(duì)HSV 顏色空間的研究，建立目標(biāo)顏色模型采用與顏色關(guān)聯(lián)更緊密的色調(diào)和飽和度，提出一種基于K-means 聚類算法思想的分量閾值提取算法確定分通道閾值以區(qū)分目標(biāo)像素與背景像素。實(shí)際檢測(cè)結(jié)果表明算法能在目標(biāo)及背景顏色相似的情況下準(zhǔn)確分割出目標(biāo)瓷磚，最后結(jié)合形態(tài)學(xué)處理，減少噪聲，增加目標(biāo)檢測(cè)的準(zhǔn)確性。